Publisher

RAHARJARAHARJA

Journal ICIT JournalICIT Journal Abstract

Obesitas merupakan masalah kesehatan yang dipengaruhi oleh pola makan, intensitas aktivitas fisik, dan gaya hidup. Studi ini bertujuan untuk menerapkan Intelijen Bisnis (BI) dalam menganalisis dan memprediksi tingkat obesitas menggunakan metode Pohon Keputusan berbasis RapidMiner serta visualisasi interaktif melalui Google Looker Studio. Dataset yang digunakan terdiri dari Obesity Dataset, yang memiliki 1.610 entri dan 15 atribut. Model diuji menggunakan pendekatan validasi silang 10 kali dan berhasil mencapai akurasi 71,55% ± 3,18%. Hasil studi ini menekankan bahwa tinggi badan, usia, dan aktivitas fisik adalah faktor paling penting dalam klasifikasi obesitas. Selain itu, dashboard Google Looker Studio dapat menampilkan visualisasi data interaktif, memungkinkan pengguna untuk dengan mudah menjelajahi pola obesitas terkait gaya hidup dan kondisi kesehatan. Studi ini menyarankan bahwa kombinasi Pohon Keputusan dan Intelijen Bisnis dapat meningkatkan efisiensi analisis data kesehatan.

Conclusion

Berdasarkan hasil penelitian, penerapan metode Pohon Keputusan menggunakan RapidMiner terbukti efektif dalam mengklasifikasikan tingkat obesitas berdasarkan faktor seperti gaya hidup, aktivitas fisik, dan kondisi individu.Model yang dikembangkan menggunakan teknik validasi silang 10 kali menunjukkan akurasi 71,55% ± 3,18%, yang menunjukkan kinerja yang baik dan konsisten dalam memprediksi obesitas di berbagai kelas.Analisis hasil menunjukkan bahwa atribut tinggi badan, usia, dan aktivitas fisik merupakan faktor paling berpengaruh dalam proses klasifikasi obesitas.Selain itu, atribut lain seperti frekuensi konsumsi sayuran, kebiasaan merokok, penggunaan teknologi, dan riwayat keluarga obesitas juga berperan dalam pembentukan aturan klasifikasi pada pohon keputusan.Integrasi Intelijen Bisnis melalui Google Looker Studio berhasil menampilkan hasil analisis dalam bentuk dashboard interaktif yang mudah dipahami oleh pengguna tanpa latar belakang teknis.Visualisasi ini sangat efektif dalam menyederhanakan proses interpretasi data dan mendukung pengambilan keputusan berbasis data di sektor kesehatan publik.Dengan demikian, studi ini menunjukkan bahwa kombinasi machine learning dan Intelijen Bisnis dapat dimanfaatkan secara efektif untuk menganalisis dan memvisualisasikan pola obesitas secara informatif dan interaktif.

Future Research

Penelitian lanjutan dapat mengembangkan metode klasifikasi alternatif seperti Random Forest atau XGBoost untuk meningkatkan akurasi model. Selain itu, penelitian dapat fokus pada penanganan ketidakseimbangan kelas dengan teknik oversampling seperti SMOTE atau pembobotan kelas untuk meningkatkan performa pada kelas minoritas. Dari sudut pandang Intelijen Bisnis, pengembangan dashboard yang lebih interaktif dan integrasi data real-time dapat dilakukan untuk mendukung pengambilan keputusan dalam bidang kesehatan publik. Penelitian juga dapat mengeksplorasi penggunaan teknik lain seperti deep learning atau penggabungan data dari sumber eksternal untuk meningkatkan keakuratan prediksi obesitas. Selain itu, penelitian dapat mengkaji dampak faktor sosial ekonomi atau lingkungan pada pola obesitas untuk memberikan wawasan yang lebih komprehensif. Terakhir, pengujian model pada populasi yang berbeda atau wilayah geografis tertentu dapat dilakukan untuk memastikan generalisasi hasil penelitian.

Metadata

File size	4.14 MB
Pages	12
DMCA	Report